LAPORAN PRAKTIKUM

MATA KULIAH PENGINDERAAN JAUH

ACARA V
KLASIFIKASI MULTISPECTRAL

Dosen Pengampu: Ike Sari Astuti, S.Pd, M. Nat. Res.St, Ph.D

Disusun Oleh:
Nama Mahasiswa : Evi Kurniawati
NIM : 160721614488
Mata Kuliah : Penginderaan Jauh
Tanggal Praktikum : 22 November 2018
Asisten Praktikum : Hetty Rahmawati S.

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL
JURUSAN GEOGRAFI
PROGRAM STUDI GEOGRAFI
2018
 ACARA V
KLASIFIKASI MULTISPECTRAL

1. TUJUAN
1) Mahasiswa mampu melakukan klasifikasi penggunaan lahan metode
unsupervised dan supervised classification
2) Mahasiswa mampu memahami dan membandingkan hasil klasifikasi beberapa
metode unsupervised dan supervised classification

2. ALAT DAN BAHAN

1) Software ENVI 5.3
2) Citra Landsat 8 OLI
3) Software ArcGIS
4) Laptop

3. DASAR TEORI

Klasifikasi multispektral adalah salah satu bagian dari pengelohan citra

penginderaan jauh yang paling sering dibahas, digunakan, dan dalam praktik
dipandang mapan. Hasil utama dari klasifikasi multispektral adalah peta tematik yang
ada pada umumnya merupakan peta penutup lahan atau penggunaan lahan, yang
kemudian biasanya dijadikan masukan dalam pemodelan spasial dalam lingkungan
sistem informasi geografi (SIG). Seperti halnya klasifikasi manual yang
menggunakan foto udara, klasifikasi multispectral merupakan metode yang dirancang
untuk menurunkan informasin tematik dengan cara mengelompokkan fenomena
berdasarkan kriteria tertentu.
Ada algoritma matematis yang cukup sederhana untuk menentukan
keanggotaan setiap piksel ke dalam klas-klas penutup lahan yang tersedia. Algoritma
itu adalah jarak minimum terhadap rerata (minimum distance to mean). Caranya
adalah sebagai berikut (a) menentukan nilai rerata setiap klas penutup obyek,
berdasarkan observasi atas sampel atau histogram seluruh citra, (b) mem-plot posisi
(vektor) setiap piksel pada sistem koordinat kartesian (x,y,z, sebagai ruang spektral),
dimana saluran 1 terletak pada sumbu x, saluran 2 pada sumbu y, dan saluran 3 pada
sumbu z, (c) menentukan jarak maksimum (ambang) dari suatu nilai piksel untuk
dapat dimasukan ke dalam kelas tertentu, (d) menghitung jarak setiap piksel ke setiap
nilai rerata sebagai wakil tiap klas penutup lahan pada ruang spektral, dimana penutup
lahan yang diwakili oleh nilai rerata dengan jarak terdekat ke piksel yang dihitung
akan menjadi label penutup lahan untuk piksel tersebut.

Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek

sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai
masukkan dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh
berdasarkan warna pada citra, analisis statik dan analisis grafis. Analisis static
digunakan untuk memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap
kelas sampel yang diambil guna menentukan perbedaan sampel. Analisis grafis
digunakan untuk melihat sebaran-sebaran piksel dalam suatu kelas. Dalam
melakukan proses klasifikasi citra terdapat dua cara umum yang sering digunakan
yaitu supervised dan unsupervised.
Metode supervised (dengan bimbingan), pada metode ini, analis terlebih
dahulu menentukan beberapara training area (daerah contoh) pada citra sebagai kelas
kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap
wilayah dalam cita mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam
daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci
untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan
dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode
ini, nails mengidentifikasi kelas infomasi terlebih dahulu yang kemudian digunakan
untuk menenyukan kelas spektral yang mewakili kelas informasi tersebut. Algoritma
yang bisa digunakan untuk menyelesaikan metode supervised ini antara lain:
1. Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk
mengklasifikasikan data multispektral. Batas-batas keputusan merupakan
parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan
berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.
2. Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan
menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata
untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak
terklasifikasi jika tidak memenuhi kriteria yang dipilih.
3. Mahalanobis Distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang
menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi
Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan
karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan
ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal
ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang
batas.
4. Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya
didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas
tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap
piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu,
"maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas
yang ditentukan, piksel tetap tidak terklasifikasi
5. Spektral Angle Mapper
Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk
mencocokkan piksel untuk spektra acuan.
6. Spectral Information Divergence
Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang
menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum
referensi. Semakin kecil divergensi, semakin besar kemungkinan piksel serupa.
Piksel dengan pengukuran lebih besar dari ambang perbedaan maksimum yang
ditentukan tidak diklasifikasikan.
7. Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir anggota
menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di atas
rata-rata spektrum, masing-masing. Dapat membandingkan setiap spektrum referensi
yang dikodekan dengan spektrum data yang disandikan dan menghasilkan klasifikasi
citra. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar dari band
yang cocok, kecuali jika ditentukan batas minimum pertandingan, dalam hal ini
beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.
8. Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis
neural.
9. Support Vector Machine
Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas
dengan permukaan keputusan yang memaksimalkan margin antara kelas.

Cara kerja metode unsupervised ini merupakan kebalikkan dari metode

supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer
kedalam kelas-kelas spektral menggunakan algoritma klusterisasi (Indriasari, 2009).
Dalam metode ini, diawal proses biasanya analis akan menentukan jumlah kelas
(cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan
kelas-kelas lahan terhadap kelas-kelas spektral yang telah dikelompokkan oleh
komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan
beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas.
Misal class 1, class 2 dan class 3 masing-masing adalah sawah, perkebunan dan hutan
maka analis bisa mengelompokkan kelas-kelas tersebut menjadi satu kelas, yaitu
kelas vegetasi. Jadi pada metode unsupervised tidak sepenuhnya tanpa campur tangan
manusia. Beberapa algoritma yang bisa digunakan untuk menyelesaikan metode
unsupervised ini diantaranya adalah K-Means dan ISODATA.

Proses klasifikasi disebut tidak terawasi, bila dalam prosesnya tidak

menggunakan suatu referensi penunjang apapun. Hal ini berarti bahwa proses
tersebut hanya dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel pada
 citra. Klasifikasi citra tak terawasi mencari kelompok-kelompok (cluster) piksel-
piksel, kemudian menandai setiap piksel kedalam sebuah kelas berdasarkan
parameter-parameter pengelompokkan awal yang didefinisikan oleh penggunanya.
Klasifikasi unsupervised melakukan pengelompokan data dengan menganalisa
cluster secara otomatis dan menghitung kembai rata-rata kelas (class mean) secara
berulang-ulang dengan computer.
4. LANGKAH KERJA

Kemudian lihat pada kotak dialog Toolbox  pilih folder Raster Management  Masking
 doble klik Resize Data

Kemudian akan muncul tampilan kotak dialog seperti berikut dan pilih lah file SR
Klik spatial subset, selanjutnya pada kotak dialog Select Spatial Subset  Klik image 
Klik Ok

Setelah muncul Subet by Image, maka pilih wilayah yang cakupannya lebih sempit yang
dapat dilakukan dengan menggunakan pointer dan mengontrol kotak bergaris merah yang
ada seperti gambar di bawah  klik Ok
 Selanjutnya pilih tempat penyimpanan file resize Data  Choose  Ok

Setelah itu, proses penyimpanan akan berjalan seperti pada gambar dibawah
 Maka akan muncul bagian citra yang telah di resize tadi

Selanjutnya,untuk membuat klasifikasi penggunaan lahan yang unsupervised klik

unsupervised classification pada kotak Toolbox  klik Iso Data Classification  kemudian
akan muncul kotak dialog input File  pilih yang hasil resize  Ok
Setelah itu akan muncul kotak dialog ISODATA Parameters  isi number of Classes
dengan nilai minimal 5 maksimal 10 dan isi kolom yang lainnya seperti pada gambar
dibawah.

Setelah selesai kemudian simpan dengan klik choose  namai  Open  klik Ok

Maka proses penyimpanan akan berjalan

Berikut hasil dari klasifikasi metode IsoData unsupervised

Selanjutnya lakukan hal yang sama untuk klasifikasi metode K-Mean unsupervised dengan
klik pada unsupervised classification  double klik K-Mean classification untuk
selanjutnya lakukan langkah yang sama pada langkah sebelumnya
Berikut hasil dari klasifikasi metode K-Mean unsupervised

Kemudian untuk melakukan klasifikasi dengan menggunakan Supervised Classification.

Caranya remove semua kecuali citra asli resize

Kemudian buatlah roi dengan 6 objek yaitu air, lahan pertanian, pemukiman, hutan, semak
belukar, dan lahan terbuka. Dalam praktikum ini, dilakukan 8 record count pada masing-
masing objek.
Berikut gambar dalam pembuatan ROI pada air. Untuk objek lainnya dilakukan langkah
yang sama dan disesuaikan dengan yang ada pada citra.
Berikut hasil pembuatan ROI pada masing-masing objek

Kemudian pembuatan klasifikasi penggunaan lahan dengan menggunakan supervised

classification
Pada paktikum ini metode supervised classification yang akan dilakukan adalah metode
Mahalanobis classification, Maximum likelihood classification, Minimum Distance
classification, dan Parallelepiped classification.

Untuk itu mulai dengan klik folder supervised classification pada kotak Toolbox  double
klik Mahalanobis classification  pilih file resize SR  Ok

Klik Select All item choose (bagian atas)  namai mahalanobis  open

single value  Ok
Sedang dalam proses

Berikut hasil mahalanobis dan lakukan langkah-langkah diatas juga pada keempat
klasifikasi yang lain.

Berikut Maximum likelihood classification

Berikut Minimum Distance classification
Dan terakhir Parallelepiped classification

Terakhir Drag file hasil klasifikasi penggunaan lahan ke ArcMap untuk di layout
5. HASIL
1. Metode Unsupervised
a. Iso Data (terlampir)
b. K-Means (terlampir)
2. Metode Supervised
a. Mahalanobis Classification (terlampir)
b. Maximum likelihood classification (terlampir)
c. Minimum Distance classification (terlampir)
d. Parallelepiped classification (terlampir)
6. PEMBAHASAN
Pada praktikum acara v dilakukan praktikum klasifikasi multispectral. Yang mana
klasifikasi multispectral merupakan metode yang dirancang untuk menurunkan
informasi tematik dengan cara mengelompokkan fenomena berdasarkan kriteria
tertentu. Sehingga Hasil utama dari klasifikasi multispektral adalah peta tematik yang
ada pada umumnya merupakan peta penutup lahan atau penggunaan lahan, yang
kemudian biasanya dijadikan masukan dalam pemodelan spasial dalam lingkungan
sistem informasi geografi (SIG).

Dalam praktikum kali ini, digunakan dua metode dalam pengklasifikasian

penggunaan lahan yakni metode unsupervised dan supervised. Yang kemudian untuk
metode unsupervised digunakan isodata dan K-Means sedangkan untuk yang metode
supervised menggunakan Mahalanobis Classification, Maximum likelihood
classification, Minimum Distance classification, dan Parallelepiped classification.
Untuk citra yang digunakan adalah citra sebagian jawa timur saja dari hasil resize
citra jawa dan madura. Sebagian daerah jawa timur tersebut diantaranya Pasuruan,
Mojokerto, Sebagian Malang, dan sebagian kecil wilayah Sidoarjo.

Berdasarkan hasil dari metode isodata dan K-Means dapat dilihat bahwa keduanya
memiliki perbedaan yang sangat mencolok dalam pengklasifikasiannya. Pada hasil
isodata lahan terbuka tidak tedeteksi sedangkan pada K-Means masih dapat
terdeteksi. Untuk jumlah pemukiman hasil dari K-Means dan IsoData berbanding
terbalik. Pada hasil isodata pemukiman sangat lah sedikit sedangkan pada K-Means
pemukiman lah yang mendominasi. Begitu pun pada objek penggunaan lahan yang
lainnya. seperti hutan, lahan pertanian dan semak belukar juga demikian. Hanya objek
berupa air saja yang memiliki persamaan dengan jumlah luas,letak dan warna yang
sama yakni merah. Dari sini dapat diketahui bahwa masing-masing dari metode
tersebut memiliki kekurangan masing-masing yang membuat nantinya informasi
yang ingin disampaikan menjadi tak tersampaikan sepenuhnya.

Dari klasifikasi citra supervised menggunakan metode Parallelepiped, Mahalanobis

Distance, Maximum Likelihood, dan Minimum Distance. Dari melakukan klasifikasi
dengan empat metode ini tentunya menghasilkan tampilan yang berbeda. Dari
tampilan yang berbeda ini tentunya memiliki kelebihan, kekurangan,
danpenggunaannya yang berbeda – beda.

legenda Hasil Klasifikasi Supervised:

Pada Klasifikasi supervised ini kelemahanya adalah kemungkinan terjadi kesalahan

interpretasi itu sangat besar. Karena bisa jadi pada saat melakukan pemilihan region–
region itu ada obyek yang salah klasifikasi. Selain itu untuk mengubah obyek yang
tidak terklasifikasi itu perlu mengulang–ulang kembali pemilihan kelas–kelasnya.

Penjebaran kelas – kelas tiap objek

a. Mahalanobis Clasification

Pada metode mahalobis Clasification ini ada kelas obyek yang tidak sesuai. Bisa
dilihat pada penjelasan gambar. Pada citra komposit 321 ini adalah objek badan air
yang harusnya berwarna biru namun pada hasil mahalanobis objek air ada sebgaian
yang mengikuti warna objek lain yaitu lahan pertanian yang berwarna hijau.
 b. Maximum Likelihood

Dalam Maximum Distance ini terjadi perubahan warna bila dibandingkan dengan
Mahalanobis warna hijau yang diidentifikasi sebagai vegetasi lahan pertanian dalam
metode maximum likelihood sudah tidak terlihat lagi, tetapi berganti warna menjadi
warna ungu lavender yang diidentifikasi sebagai semak belukar dan sedikit tambahan
kuning yang mengidentifikasikan lahan terbuka.

c. Minimum Distance

Dalam metode minimum distance kembali terjadi kesalahan klasifikasi. Pada obyek
hutan disini yang harusnya bewarna hijau tua disini malah bewarna merah dan hijau
muda, yang menunujukkan pemukiman dan lahan pertanian.

d.Parallelelepiped

Dalam metode ini hasil klasifikasi terlihat yang paling dominan adalah objek
pemukiman. Dan pada metode ini yang sangat jauh berbeda dari citra aslinya.

Dari keempat metode tersebut klasifikasi yang paling mendekati dengan obyek
sebenarnya yaitu klasifikasi dengan menggunakan metode Mahalanobis
Classification.

7. KESIMPULAN
1) Pada praktikum ini digunakan dua metode dalam pengklasifikasian penggunaan
lahan yakni metode unsupervised dan supervised. Yang kemudian untuk metode
unsupervised digunakan isodata dan K-Means sedangkan untuk yang metode
supervised menggunakan Mahalanobis Classification, Maximum likelihood
classification, Minimum Distance classification, dan Parallelepiped classification
2) Dari keenam metode tersebut menghasilkan tampilan yang berbeda dan
klasifikasi yang paling mendekati dengan obyek sebenarnya yaitu klasifikasi
dengan menggunakan metode Mahalanobis Classification.
 DAFTAR RUJUKAN

Guntara,Ilham. 2013. Klasifikasi Multispektral (2). (Online),

(https://www.guntara.com/2013/05/klasifikasi-multispektral-2.html), diakses tanggal
30 November 2018

Anonim. 2013. [PDF] BAB I PENDAHULUAN 1.1 Latar Belakang Klasifikasi multispektral.
(Online),
(http://etd.repository.ugm.ac.id/index.php?), diakses tanggal 30 November 2018
 LAMPIRAN

1. Metode Unsupervised
a. Iso Data (terlampir)

b. K-Means (terlampir)
2. Metode Supervised
a. Mahalanobis Classification (terlampir)

b. Maximum likelihood classification (terlampir)

c. Minimum Distance classification (terlampir)

d. Parallelepiped classification (terlampir)